• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于混合特征選擇的腦電解碼方法

    2022-05-05 13:38:04
    關(guān)鍵詞:特征選擇子集分類器

    莫 云

    (桂林航天工業(yè)學(xué)院電子信息與自動(dòng)化學(xué)院,廣西 桂林 541004)

    0 引 言

    在運(yùn)動(dòng)想象腦電解碼中,特征選擇非常重要。由于運(yùn)動(dòng)想象腦電存在個(gè)體差異,因此需要特征選擇方法選擇被試特異的頻帶特征、時(shí)間窗特征、通道特征等[1]。另外,融合特征也需要特征選擇方法選擇更具判別性的特征。單一特征或者少數(shù)特征不需要特征選擇,但是單一特征通常不能更好地表征完整的腦電信息。融合特征有利于實(shí)現(xiàn)信息互補(bǔ)[2],但是通常也包含噪聲和冗余信息。因此,融合特征需要特征選擇剔除無(wú)效信息。此外,特征選擇可以降低特征維數(shù),減少分類模型的復(fù)雜度,避免維數(shù)災(zāi)難和過(guò)擬合。

    現(xiàn)有特征選擇方法主要包括過(guò)濾式(Filter)、包裹式(Wrapper)和嵌入式(Embedded)3類[3]。過(guò)濾式特征選擇方法使用信息度量和距離度量等評(píng)價(jià)準(zhǔn)則選擇特征,比如Fisher分?jǐn)?shù)[4]、互信息[5]、散度[6]等。包裹式特征選擇方法使用特定的方式產(chǎn)生特征子集,然后使用分類器的結(jié)果作為特征選擇的評(píng)價(jià)標(biāo)準(zhǔn)。包裹式方法大多基于智能優(yōu)化算法,包括粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法[7]、遺傳算法(Genetic Algorithm, GA)[8]、人工蜂群算法[9]、螢火蟲(chóng)算法[10]等。嵌入式特征選擇方法在分類器訓(xùn)練的時(shí)候自動(dòng)把一些特征剔除,因此可以同時(shí)進(jìn)行特征選擇和分類。比較典型的嵌入式特征選擇方法有最小絕對(duì)值收縮和選擇算子(Least Absolute Shrinkage and Selection Operator, LASSO)方法[11]。LASSO在線性回歸模型中加入l1-范數(shù)正則化懲罰項(xiàng),使得部分特征的權(quán)重系數(shù)近乎歸0,特征選擇通過(guò)剔除系數(shù)為0或者接近0的特征實(shí)現(xiàn)。Miao等[1]使用LASSO對(duì)運(yùn)動(dòng)想象時(shí)-頻-空域的特征進(jìn)行選擇。王金甲等[12]使用稀疏組LASSO同時(shí)進(jìn)行運(yùn)動(dòng)想象信號(hào)的通道選擇和特征選擇。

    以上3類方法都各有優(yōu)缺點(diǎn),各類方法之間的有機(jī)結(jié)合可以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。因此,混合特征選擇方法近年來(lái)也得到了比較廣泛的研究。裴作飛等[13]使用卡方過(guò)濾算法剔除冗余特征,然后再使用LightGBM和自適應(yīng)遺傳算法組成的封裝方法進(jìn)一步約減特征。江澤濤等[14]使用Fisher分?jǐn)?shù)(Fisher Score, F-score)對(duì)特征進(jìn)行降維處理,然后引入超圖的Helly屬性對(duì)得到的特征子集進(jìn)行二次篩選。肖艷等[15]提出了基于Relief F和PSO的混合特征選擇方法,先使用Relief F濾除相關(guān)性小的特征,然后以PSO作為搜索算法,并使用支持向量機(jī)作為評(píng)估函數(shù),進(jìn)一步選擇出最優(yōu)特征子集。Ghareb等[16]結(jié)合6種過(guò)濾式特征選擇方法和改進(jìn)的遺傳算法組成新的混合特征選擇方法。文獻(xiàn)[17]是一篇綜述性文章,全面介紹了用于癌癥分類(基于微陣列基因表達(dá)數(shù)據(jù))的混合特征選擇方法。Eslahi等[8]使用遺傳算法尋找特征提取方法和分類器的最優(yōu)組合。Qi等[18]提出了多級(jí)混合PSO-貝葉斯線性判別分析方法,用于運(yùn)動(dòng)想象的通道選擇和特征選擇。雖然混合特征選擇方法已經(jīng)得到了較為廣泛的應(yīng)用,但據(jù)了解,除了文獻(xiàn)[8]和文獻(xiàn)[18],很少見(jiàn)到有相關(guān)文獻(xiàn)研究報(bào)道混合特征選擇方法在腦電特征選擇中的應(yīng)用。

    以上的混合特征選擇方法大多基于遺傳算法和PSO等智能優(yōu)化算法,模型訓(xùn)練時(shí)間長(zhǎng),而且容易陷入局部最優(yōu)解。為了同時(shí)兼顧特征選擇的時(shí)間效率和分類性能這2個(gè)問(wèn)題,本文提出2種混合特征選擇方法,分別是基于LASSO的混合特征選擇方法以及基于Fisher分?jǐn)?shù)的混合特征選擇方法。首先分別使用LASSO模型和Fisher分?jǐn)?shù)獲取特征的權(quán)重。然后設(shè)置一系列的閾值,大于設(shè)定閾值的特征將被選擇。最后結(jié)合Fisher線性判別分析(Fisher Linear Discriminant Analysis, FLDA)和交叉驗(yàn)證選擇最優(yōu)的閾值參數(shù),繼而得到最優(yōu)的特征子集。使用3個(gè)數(shù)據(jù)集驗(yàn)證混合特征選擇方法的有效性。實(shí)驗(yàn)結(jié)果表明,2種新提出的方法不僅分類結(jié)果較好,而且特征選擇時(shí)間也具有顯著優(yōu)勢(shì)。

    1 方 法

    1.1 算法框架

    圖1給出了本文方法的算法框架。首先,對(duì)輸入的原始腦電信號(hào)進(jìn)行預(yù)處理,包括8~30 Hz帶通濾波和0.5 s~2.5 s時(shí)間窗截取。其次,對(duì)預(yù)處理的數(shù)據(jù)進(jìn)行CSP變換。針對(duì)CSP空間濾波后的信號(hào),提取對(duì)數(shù)方差、4階自回歸(AutoRegressive, AR)系數(shù)、帶通功率和小波能量4種特征,并進(jìn)行特征融合。接著,使用特征選擇方法對(duì)融合特征進(jìn)行選擇。最后,使用FLDA分類器對(duì)各種方法選擇的特征子集進(jìn)行分類。

    圖1 算法框架

    1.2 特征提取

    傳統(tǒng)的時(shí)域、頻域和時(shí)頻特征提取方法直接對(duì)預(yù)處理后的腦電信號(hào)提取相應(yīng)的特征,本文的特征提取與傳統(tǒng)方法有所不同。受文獻(xiàn)[3]啟發(fā),在特征提取過(guò)程中,先進(jìn)行CSP變換,然后再提取對(duì)數(shù)方差、4階AR系數(shù)、帶通功率和小波能量4種特征,并進(jìn)行特征融合,特征融合過(guò)程詳見(jiàn)圖2。這樣做有2個(gè)好處:1)信號(hào)經(jīng)過(guò)CSP空間濾波之后,信號(hào)質(zhì)量提高,提取的特征更加穩(wěn)定、更具判別性;2)經(jīng)過(guò)CSP空間投影之后,信號(hào)通道減少,特征提取的時(shí)間也相應(yīng)減少。在本文中,對(duì)于數(shù)據(jù)集1和數(shù)據(jù)集3,CSP的空間濾波器對(duì)數(shù)選擇為3;對(duì)于數(shù)據(jù)集2,濾波器對(duì)數(shù)選擇為1。CSP的實(shí)現(xiàn)以及對(duì)數(shù)方差特征的計(jì)算可參考文獻(xiàn)[19],AR系數(shù)、帶通功率和小波能量的特征提取可參考文獻(xiàn)[20]。

    圖2 融合特征的計(jì)算過(guò)程

    1.3 特征選擇

    不同被試在進(jìn)行運(yùn)動(dòng)想象的過(guò)程中存在個(gè)體差異性,而且不同被試其判別性特征也有所區(qū)別,所以使用單一特征不能很好地表征腦電信息。融合特征結(jié)合多種類型特征可以實(shí)現(xiàn)信息互補(bǔ),而融合特征的維數(shù)過(guò)多,又會(huì)造成信息冗余,故需要進(jìn)行特征選擇。下面將介紹本文所提出的2種混合特征選擇方法。

    1.3.1 基于LASSO的混合特征選擇方法

    LASSO在線性回歸模型的基礎(chǔ)上,引入l1-范數(shù)對(duì)模型的權(quán)重進(jìn)行約束,其數(shù)學(xué)模型如下:

    (1)

    其中X=(x1,x2,…,xN)T為樣本矩陣,X∈N×P,N為樣本數(shù),P為樣本的特征維數(shù)。y=(y1,y2,…,yN)T∈N為樣本標(biāo)簽向量,yi∈{-1,1}。w=(w1,w2,…,wP)T∈P為特征權(quán)重系數(shù)向量,是正則化參數(shù),決定了模型的稀疏度。當(dāng)λ增大時(shí),‖w‖1變小,導(dǎo)致w的某些元素趨于0,也即特征權(quán)重趨于0,被選擇的特征減少;當(dāng)λ減小時(shí),‖w‖1變大,導(dǎo)致w非0的元素增多,被選擇的特征增多。因此,LASSO可以用于特征選擇。在權(quán)衡分類準(zhǔn)確率和模型復(fù)雜度之間,需要使用訓(xùn)練數(shù)據(jù)選擇一個(gè)合適的λ值以及最優(yōu)的LASSO模型。w的權(quán)重系數(shù)越大,說(shuō)明對(duì)應(yīng)的特征對(duì)分類越重要。

    一般使用交叉驗(yàn)證和網(wǎng)格搜索方法選擇最優(yōu)的LASSO模型參數(shù),然后篩選出特征權(quán)重不為0的特征子集進(jìn)行后續(xù)的分類。由于腦電信號(hào)的隨機(jī)性和非平穩(wěn)性,通過(guò)LASSO選擇出的權(quán)重不為0的特征子集可能還包含有冗余信息。因此,有必要再做一次特征選擇。因此,在本文中,設(shè)置特征權(quán)重的閾值為T(mén)∈{0,0.1,0.2,…,0.8},再次使用交叉驗(yàn)證和網(wǎng)格搜索方法選擇最優(yōu)的閾值,特征權(quán)重大于設(shè)定閾值的特征將被選擇。使用FLDA的分類準(zhǔn)確率作為評(píng)價(jià)準(zhǔn)則,把最高的交叉驗(yàn)證平均分類準(zhǔn)確率所對(duì)應(yīng)的閾值作為最優(yōu)閾值。這樣就通過(guò)LASSO和FLDA分類器組成了一種混合的特征選擇方法。該方法通過(guò)LASSO嵌入式特征選擇方法進(jìn)行特征子集預(yù)選,然后再使用包裹式方法進(jìn)行二次特征篩選。

    在本文中,2次交叉驗(yàn)證都選擇10折交叉驗(yàn)證。LASSO模型參數(shù)λ的備選合集為{0.1,0.2,…,3}。

    1.3.2 基于F-score的混合特征選擇方法

    F-score可以衡量特征在2個(gè)類別之間的區(qū)分能力。F-score通過(guò)計(jì)算每個(gè)特征的類間和類內(nèi)的方差比得到,具體如下:

    (2)

    其中,xk∈P,k=1,2,…,n,xk表示第k個(gè)樣本,n為樣本總數(shù)。正類和負(fù)類的樣本數(shù)分別為n+和n-,則n=n++n-。F(i)代表第i個(gè)特征的Fisher分?jǐn)?shù)。和分別為第i個(gè)特征在整個(gè)數(shù)據(jù)樣本集上的平均值、在正類樣本集上的平均值和在負(fù)類樣本集上的平均值。為第k個(gè)正類樣本點(diǎn)的第i個(gè)特征的特征值,為第k個(gè)負(fù)類樣本點(diǎn)的第i個(gè)特征的特征值。F值越大,說(shuō)明此特征的辨別力越強(qiáng)。通常的做法是把特征按Fisher分?jǐn)?shù)的大小進(jìn)行排序,然后選擇前N個(gè)特征進(jìn)行后續(xù)的分類。

    然而,具體選擇多少個(gè)特征會(huì)達(dá)到最好分類效果,比較難以確定。為此,本文使用Fisher分?jǐn)?shù)進(jìn)行特征排序,然后使用FLDA和10折交叉驗(yàn)證選擇最優(yōu)的特征個(gè)數(shù),得到最優(yōu)特征組合,即最優(yōu)特征子集。

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)

    為了驗(yàn)證本文方法的有效性,共選取3個(gè)數(shù)據(jù)集進(jìn)行試驗(yàn),包括2個(gè)公開(kāi)的BCI競(jìng)賽數(shù)據(jù)集和一個(gè)實(shí)驗(yàn)室自采集數(shù)據(jù)集。數(shù)據(jù)集的介紹如下:

    數(shù)據(jù)集1:第4次BCI競(jìng)賽數(shù)據(jù)集IIa[21]。該數(shù)據(jù)集包含22個(gè)電極通道,采樣率為250 Hz。9個(gè)健康被試(A01,A02,A03,A04,A05,A06,A07,A08,A09)分別執(zhí)行左手、右手、腳和舌頭4類運(yùn)動(dòng)想象任務(wù)。本文只對(duì)左手和右手2類任務(wù)進(jìn)行分類。每個(gè)被試的訓(xùn)練集和測(cè)試集樣本數(shù)均為144個(gè)。

    數(shù)據(jù)集2:第4次BCI競(jìng)賽數(shù)據(jù)集IIb[22]。該數(shù)據(jù)集包含3個(gè)電極通道,分別為C3、CZ和C4,采樣率為250 Hz。9個(gè)健康被試(B01,B02,B03,B04,B05,B06,B07,B08,B09)分別執(zhí)行左、右手2類運(yùn)動(dòng)想象任務(wù)。該數(shù)據(jù)集有5個(gè)會(huì)話數(shù)據(jù),本文只對(duì)第3個(gè)會(huì)話數(shù)據(jù)進(jìn)行分析[23]。訓(xùn)練集和測(cè)試集的樣本數(shù)均為80個(gè)。

    數(shù)據(jù)集3:實(shí)驗(yàn)室的自采集數(shù)據(jù)。該數(shù)據(jù)集包含30個(gè)電極通道,采樣率為250 Hz。6個(gè)健康被試(S01,S02,S03,S04,S05,S06)分別執(zhí)行左、右手2類運(yùn)動(dòng)想象任務(wù)。使用Neuroscan公司的NuAmps 40導(dǎo)放大器以及腦電帽采集頭皮腦電信號(hào)。

    2.2 對(duì)比方法與參數(shù)設(shè)置

    在數(shù)據(jù)實(shí)驗(yàn)中,參與對(duì)比的方法包括GA和二進(jìn)制PSO(Binary PSO, BPSO),這2種方法的參數(shù)設(shè)置如下。

    GA的參數(shù)設(shè)置與文獻(xiàn)[24]一致。具體如下:特征編碼方法使用二進(jìn)制編碼。適應(yīng)度函數(shù)使用K-近鄰分類器的分類準(zhǔn)確率,其中k=5。種群個(gè)數(shù)為10,使用迭代次數(shù)作為算法的終止條件,最大迭代次數(shù)為100。交叉概率為0.8,變異概率為0.01。

    BPSO的實(shí)現(xiàn)參考文獻(xiàn)[25],參數(shù)設(shè)置與文獻(xiàn)[25]一致。具體如下:適應(yīng)度函數(shù)使用K-近鄰分類器的分類準(zhǔn)確率,其中k=5。種群個(gè)數(shù)為10,使用迭代次數(shù)作為算法的終止條件,最大迭代次數(shù)為100。加速系數(shù)c1=2,c2=2,最大速度和最小速度分別為6和-6,最大慣性權(quán)重和最小慣性權(quán)重為0.9和0.4。

    為更加簡(jiǎn)明地描述實(shí)驗(yàn)結(jié)果,以下內(nèi)容把基于LASSO的混合特征選擇方法簡(jiǎn)稱為L(zhǎng)ASSO_h,基于F-score的混合特征選擇方法簡(jiǎn)稱為F-score_h。

    2.3 實(shí)驗(yàn)結(jié)果

    表1~表3分別給出了數(shù)據(jù)集1~數(shù)據(jù)集3的分類準(zhǔn)確率,表中最高分類準(zhǔn)確率使用黑體加粗標(biāo)注。F-score_h在數(shù)據(jù)集1中取得了最高的平均分類準(zhǔn)確率,而LASSO_h在數(shù)據(jù)集2和數(shù)據(jù)集3中取得了最高的平均分類準(zhǔn)確率。本文提出的2種混合特征選擇方法都優(yōu)于現(xiàn)有的特征選擇方法。

    表1 數(shù)據(jù)集1分類準(zhǔn)確率/%

    表3 數(shù)據(jù)集3分類準(zhǔn)確率/%

    為了更直觀地比較不同特征選擇方法的分類效果,圖3給出了所有數(shù)據(jù)集的平均分類準(zhǔn)確率對(duì)比情況。LASSO_h、F-score_h、GA和BPSO在所有數(shù)據(jù)集上取得的平均分類準(zhǔn)確率分別為:74.87±14.03、75.12±15.03、72.08±14.35和72.42±13.64。F-score_h略高于LASSO_h,但LASSO_h在數(shù)據(jù)集2和數(shù)據(jù)集3的分類效果優(yōu)于F-score_h。從數(shù)據(jù)集的適用性考慮,LASSO_h相比F-score_h有優(yōu)勢(shì)。

    圖3 不同算法下各個(gè)數(shù)據(jù)集的平均分類準(zhǔn)確率

    圖4給出了不同特征選擇方法分類準(zhǔn)確率的整體分布情況。分類準(zhǔn)確率的整體分布,LASSO_h和F-score_h這2種方法比較靠上,但是F-score_h的最小值低于40%,而LASSO_h方法的最小值在幾種方法中表現(xiàn)最佳,說(shuō)明LASSO的穩(wěn)定性和魯棒性會(huì)更好一些。

    圖4 不同算法下所有數(shù)據(jù)的分類準(zhǔn)確率分布

    表4給出了各種方法在模型訓(xùn)練階段的特征選擇時(shí)間,F(xiàn)-score_h的特征選擇時(shí)間最少,LASSO_h多于F-score_h,但是遠(yuǎn)少于GA和BPSO。從特征選擇時(shí)間角度考慮,基于過(guò)濾式的混合特征選擇具有明顯的時(shí)間優(yōu)勢(shì),而基于智能優(yōu)化的特征選擇方法其計(jì)算時(shí)間都比較長(zhǎng)。過(guò)濾式特征選擇方法計(jì)算都比較簡(jiǎn)單,所以其特征選擇時(shí)間比較少。在未來(lái)的工作中,可以加大對(duì)這方面的研究。

    表4 各種方法的特征選擇時(shí)間/s

    3 討 論

    從以上實(shí)驗(yàn)結(jié)果的比較分析中可以得出結(jié)論:

    1)從平均分類結(jié)果和特征選擇時(shí)間方面評(píng)價(jià),基于F-score混合特征選擇方法優(yōu)于基于LASSO的混合特征選擇方法。

    2)從各個(gè)數(shù)據(jù)集的分類效果和分類準(zhǔn)確率整體分布評(píng)價(jià),基于LASSO的混合特征選擇方法的數(shù)據(jù)集適用性比較好,其穩(wěn)定性和魯棒性也較好。

    導(dǎo)致基于LASSO的混合特征選擇方法分類效果不佳的原因可能是出現(xiàn)了過(guò)擬合現(xiàn)象。該方法利用相同的訓(xùn)練集使用2次交叉驗(yàn)證選擇最優(yōu)的特征子集,容易出現(xiàn)過(guò)擬合現(xiàn)象。GA和BPSO的分類效果比較差,有多方面的原因。首先,遺傳算法可能會(huì)出現(xiàn)陷入局部最優(yōu)的情況;而B(niǎo)PSO可能會(huì)出現(xiàn)“早熟”現(xiàn)象[25]。另外,GA和BPSO的初始化參數(shù)選擇對(duì)特征選擇影響也非常大[26-27],如何選擇更合適的模型參數(shù)是非常關(guān)鍵的問(wèn)題。

    綜合考慮分類效果和特征選擇時(shí)間,基于F-score的混合特征選擇方法是一個(gè)較好選擇。

    4 結(jié)束語(yǔ)

    本文提出了2種混合特征選擇方法。第1種方法是LASSO嵌入式方法和包裹式方法的結(jié)合,第2種方法是Fisher分?jǐn)?shù)過(guò)濾式方法和包裹式方法的結(jié)合。實(shí)驗(yàn)結(jié)果表明,無(wú)論是分類效果和特征選擇時(shí)間,這2種方法都優(yōu)于基于智能優(yōu)化的包裹式方法。特征選擇對(duì)運(yùn)動(dòng)想象腦電解碼至關(guān)重要,在未來(lái)的工作中,將更加系統(tǒng)全面地研究特征選擇方法,提出更具時(shí)效性的特征選擇方法。

    猜你喜歡
    特征選擇子集分類器
    由一道有關(guān)集合的子集個(gè)數(shù)題引發(fā)的思考
    拓?fù)淇臻g中緊致子集的性質(zhì)研究
    關(guān)于奇數(shù)階二元子集的分離序列
    BP-GA光照分類器在車(chē)道線識(shí)別中的應(yīng)用
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    每一次愛(ài)情都只是愛(ài)情的子集
    都市麗人(2015年4期)2015-03-20 13:33:22
    基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識(shí)別
    一级爰片在线观看| av卡一久久| 爱豆传媒免费全集在线观看| 亚洲av欧美aⅴ国产| 日本黄色日本黄色录像| 老司机影院毛片| 少妇的逼水好多| 在线天堂中文资源库| 女性生殖器流出的白浆| 80岁老熟妇乱子伦牲交| 岛国毛片在线播放| 黄片小视频在线播放| 黄色一级大片看看| 肉色欧美久久久久久久蜜桃| 国产黄色免费在线视频| 日韩中字成人| 中国三级夫妇交换| 丰满乱子伦码专区| 一边亲一边摸免费视频| 天堂8中文在线网| 9191精品国产免费久久| 久久久久精品性色| 王馨瑶露胸无遮挡在线观看| 婷婷色综合www| 99九九在线精品视频| 亚洲欧美精品综合一区二区三区 | 日韩电影二区| 亚洲久久久国产精品| 色网站视频免费| 成年人免费黄色播放视频| 国产av码专区亚洲av| 久久久亚洲精品成人影院| 欧美人与性动交α欧美精品济南到 | 欧美激情 高清一区二区三区| videosex国产| 成人毛片60女人毛片免费| 只有这里有精品99| 国产麻豆69| 777米奇影视久久| 成人影院久久| 好男人视频免费观看在线| 日本av免费视频播放| 麻豆av在线久日| 日本av免费视频播放| 成人国语在线视频| 亚洲情色 制服丝袜| 久久久久人妻精品一区果冻| 中国三级夫妇交换| 国产亚洲最大av| 免费观看无遮挡的男女| 色婷婷久久久亚洲欧美| 久热久热在线精品观看| 国产淫语在线视频| 黄色一级大片看看| 成人毛片a级毛片在线播放| 亚洲天堂av无毛| 成年女人毛片免费观看观看9 | 丝袜脚勾引网站| 狠狠精品人妻久久久久久综合| 巨乳人妻的诱惑在线观看| 亚洲精品一二三| 国产精品av久久久久免费| 2022亚洲国产成人精品| 国产一区二区在线观看av| 欧美另类一区| 王馨瑶露胸无遮挡在线观看| 国产乱来视频区| 亚洲少妇的诱惑av| 国产成人一区二区在线| 免费女性裸体啪啪无遮挡网站| 制服诱惑二区| 中文精品一卡2卡3卡4更新| 日日摸夜夜添夜夜爱| 国产片特级美女逼逼视频| 成年av动漫网址| 亚洲人成网站在线观看播放| 日韩熟女老妇一区二区性免费视频| 亚洲国产精品一区二区三区在线| 国产黄频视频在线观看| 国产一区二区在线观看av| av一本久久久久| 好男人视频免费观看在线| 99热全是精品| 男女午夜视频在线观看| 国产不卡av网站在线观看| 国产av精品麻豆| 只有这里有精品99| 成年女人毛片免费观看观看9 | 美女午夜性视频免费| 精品少妇黑人巨大在线播放| 国产成人精品久久久久久| 欧美精品一区二区免费开放| 精品午夜福利在线看| 看免费av毛片| a级毛片黄视频| 亚洲精品一区蜜桃| a级片在线免费高清观看视频| 熟女电影av网| 国产精品成人在线| 精品久久蜜臀av无| 黄色毛片三级朝国网站| 下体分泌物呈黄色| 99久久人妻综合| 亚洲第一青青草原| 天堂中文最新版在线下载| 男人操女人黄网站| 夫妻午夜视频| 午夜福利影视在线免费观看| 性色av一级| 国产xxxxx性猛交| 亚洲中文av在线| 免费高清在线观看视频在线观看| 久久久久久伊人网av| 久久影院123| av不卡在线播放| 天天躁夜夜躁狠狠躁躁| 国产精品国产av在线观看| 精品国产一区二区三区久久久樱花| 日产精品乱码卡一卡2卡三| 十分钟在线观看高清视频www| 天堂8中文在线网| 国产精品久久久久久精品电影小说| 久久人人97超碰香蕉20202| 午夜免费男女啪啪视频观看| 香蕉丝袜av| 婷婷色综合大香蕉| av一本久久久久| 超碰成人久久| 午夜精品国产一区二区电影| 亚洲,欧美精品.| 久久99一区二区三区| 精品一区二区三区四区五区乱码 | 亚洲久久久国产精品| 永久网站在线| av福利片在线| 成人18禁高潮啪啪吃奶动态图| www日本在线高清视频| 香蕉精品网在线| 国产精品不卡视频一区二区| 国产成人精品无人区| 精品久久久久久电影网| 天美传媒精品一区二区| 少妇人妻精品综合一区二区| 老女人水多毛片| 大香蕉久久网| 国产黄频视频在线观看| 黑人猛操日本美女一级片| 不卡av一区二区三区| 亚洲图色成人| 捣出白浆h1v1| 亚洲人成电影观看| 中文精品一卡2卡3卡4更新| 丰满少妇做爰视频| 自线自在国产av| 国产在线视频一区二区| 男女啪啪激烈高潮av片| av又黄又爽大尺度在线免费看| 精品国产国语对白av| 亚洲精品在线美女| 两个人免费观看高清视频| 亚洲第一区二区三区不卡| 少妇人妻 视频| 亚洲,一卡二卡三卡| 三级国产精品片| 午夜福利乱码中文字幕| 成年美女黄网站色视频大全免费| 亚洲欧洲国产日韩| 人人澡人人妻人| 一二三四在线观看免费中文在| 日韩视频在线欧美| 久久人妻熟女aⅴ| 日韩制服骚丝袜av| 日日爽夜夜爽网站| 成人二区视频| 国产又色又爽无遮挡免| 久久99一区二区三区| 一本—道久久a久久精品蜜桃钙片| 黄色毛片三级朝国网站| 另类精品久久| 久久亚洲国产成人精品v| 亚洲av欧美aⅴ国产| 国产成人精品婷婷| 老司机亚洲免费影院| 欧美av亚洲av综合av国产av | 最新的欧美精品一区二区| www.精华液| 国产片特级美女逼逼视频| 欧美精品高潮呻吟av久久| 亚洲av电影在线进入| 精品国产乱码久久久久久小说| 最近中文字幕高清免费大全6| 一区二区三区激情视频| 80岁老熟妇乱子伦牲交| 纵有疾风起免费观看全集完整版| 成年女人毛片免费观看观看9 | 午夜激情av网站| 欧美精品高潮呻吟av久久| 久久婷婷青草| av.在线天堂| 2022亚洲国产成人精品| 亚洲国产av影院在线观看| 日日摸夜夜添夜夜爱| 欧美 日韩 精品 国产| 欧美+日韩+精品| 伊人亚洲综合成人网| 啦啦啦在线观看免费高清www| 一本大道久久a久久精品| 97在线人人人人妻| 五月开心婷婷网| 少妇被粗大猛烈的视频| 久久久久久久精品精品| 婷婷色av中文字幕| 亚洲精品美女久久久久99蜜臀 | 亚洲第一青青草原| 久久99精品国语久久久| 91久久精品国产一区二区三区| a 毛片基地| 免费看不卡的av| 欧美精品一区二区大全| 91久久精品国产一区二区三区| 天堂俺去俺来也www色官网| 国产成人一区二区在线| 一区在线观看完整版| 亚洲色图综合在线观看| 午夜精品国产一区二区电影| 国产成人精品福利久久| 少妇人妻 视频| 不卡av一区二区三区| 精品视频人人做人人爽| 精品福利永久在线观看| 一级毛片电影观看| 丰满饥渴人妻一区二区三| 91精品三级在线观看| 欧美日韩一级在线毛片| 精品少妇内射三级| 91成人精品电影| 高清黄色对白视频在线免费看| 一级毛片电影观看| 啦啦啦啦在线视频资源| 岛国毛片在线播放| 99久久中文字幕三级久久日本| 在现免费观看毛片| 午夜免费观看性视频| 亚洲精品久久久久久婷婷小说| 国产一区二区 视频在线| 晚上一个人看的免费电影| 国产免费现黄频在线看| 中国三级夫妇交换| 欧美精品亚洲一区二区| 宅男免费午夜| 欧美bdsm另类| 丰满少妇做爰视频| 男女无遮挡免费网站观看| 老鸭窝网址在线观看| 亚洲国产精品一区三区| 天天躁夜夜躁狠狠躁躁| 欧美激情高清一区二区三区 | 高清欧美精品videossex| 欧美在线黄色| freevideosex欧美| 啦啦啦在线免费观看视频4| 日日啪夜夜爽| 久久免费观看电影| 国产综合精华液| 久久精品国产亚洲av天美| 日本-黄色视频高清免费观看| 久久久精品94久久精品| 在线观看www视频免费| 在线精品无人区一区二区三| 精品国产一区二区久久| 亚洲四区av| 亚洲视频免费观看视频| 最黄视频免费看| 亚洲欧美一区二区三区久久| 成年女人在线观看亚洲视频| 最新的欧美精品一区二区| 国产av国产精品国产| av在线app专区| 久久久亚洲精品成人影院| 欧美日韩视频高清一区二区三区二| 在线亚洲精品国产二区图片欧美| 老司机影院毛片| 国产亚洲欧美精品永久| 日韩中文字幕欧美一区二区 | 精品99又大又爽又粗少妇毛片| 国产熟女欧美一区二区| www.精华液| 久久久久久久大尺度免费视频| 99精国产麻豆久久婷婷| 欧美另类一区| 国产爽快片一区二区三区| 一级毛片黄色毛片免费观看视频| 日韩av免费高清视频| 热re99久久精品国产66热6| 亚洲av电影在线进入| 亚洲综合色网址| 成人二区视频| 香蕉丝袜av| 国产精品一区二区在线不卡| 成年av动漫网址| 交换朋友夫妻互换小说| 观看美女的网站| 久久精品国产a三级三级三级| 国产成人精品无人区| 校园人妻丝袜中文字幕| 波多野结衣av一区二区av| 1024视频免费在线观看| 黄色毛片三级朝国网站| 天天影视国产精品| 欧美亚洲 丝袜 人妻 在线| 嫩草影院入口| 午夜福利乱码中文字幕| 欧美人与性动交α欧美精品济南到 | 啦啦啦视频在线资源免费观看| 国产一级毛片在线| 肉色欧美久久久久久久蜜桃| av一本久久久久| 老熟女久久久| 电影成人av| 啦啦啦在线免费观看视频4| 国产又爽黄色视频| 两性夫妻黄色片| av电影中文网址| 欧美激情 高清一区二区三区| 国产成人91sexporn| 一级黄片播放器| 亚洲av电影在线进入| 欧美少妇被猛烈插入视频| 女人被躁到高潮嗷嗷叫费观| 美女脱内裤让男人舔精品视频| 97在线视频观看| 黑人巨大精品欧美一区二区蜜桃| 精品福利永久在线观看| 啦啦啦视频在线资源免费观看| 午夜福利乱码中文字幕| 日韩精品有码人妻一区| 欧美精品亚洲一区二区| 欧美最新免费一区二区三区| 激情五月婷婷亚洲| 久久人人97超碰香蕉20202| 天天躁夜夜躁狠狠久久av| 午夜福利视频精品| 久久久精品免费免费高清| 免费播放大片免费观看视频在线观看| 丝袜脚勾引网站| videosex国产| 中文字幕最新亚洲高清| 国产亚洲av片在线观看秒播厂| 日产精品乱码卡一卡2卡三| 最近手机中文字幕大全| 蜜桃在线观看..| 女人精品久久久久毛片| 一区二区三区激情视频| 天堂中文最新版在线下载| 精品少妇久久久久久888优播| 国产色婷婷99| 日韩中字成人| 国产 精品1| 性高湖久久久久久久久免费观看| 欧美国产精品一级二级三级| 久久精品国产a三级三级三级| 亚洲av中文av极速乱| 国产在视频线精品| 欧美激情 高清一区二区三区| 免费不卡的大黄色大毛片视频在线观看| 建设人人有责人人尽责人人享有的| 精品国产露脸久久av麻豆| 久久影院123| 国产精品久久久av美女十八| 亚洲熟女精品中文字幕| 下体分泌物呈黄色| 国产男女超爽视频在线观看| 制服人妻中文乱码| 午夜影院在线不卡| 26uuu在线亚洲综合色| 欧美日韩av久久| 久久久久久久久久人人人人人人| 青春草亚洲视频在线观看| 国产日韩欧美在线精品| 人人妻人人澡人人看| 在线免费观看不下载黄p国产| 国产av精品麻豆| 亚洲精品久久午夜乱码| 精品一品国产午夜福利视频| 日韩伦理黄色片| 亚洲欧美精品综合一区二区三区 | 国产精品免费大片| 成年av动漫网址| 只有这里有精品99| 欧美国产精品va在线观看不卡| 看免费成人av毛片| 国产视频首页在线观看| 巨乳人妻的诱惑在线观看| 搡女人真爽免费视频火全软件| 少妇 在线观看| 成年美女黄网站色视频大全免费| 国产免费视频播放在线视频| 亚洲视频免费观看视频| 又粗又硬又长又爽又黄的视频| 久久人人97超碰香蕉20202| 国产精品成人在线| 9热在线视频观看99| 在线天堂最新版资源| 久久久久久久精品精品| 考比视频在线观看| 大码成人一级视频| 韩国精品一区二区三区| 中文欧美无线码| 国产成人aa在线观看| 最近中文字幕2019免费版| 国产av国产精品国产| av有码第一页| 久久影院123| 亚洲精品久久成人aⅴ小说| 亚洲一级一片aⅴ在线观看| 男人舔女人的私密视频| 18在线观看网站| 国产精品嫩草影院av在线观看| 久久久久久久久久久免费av| 黄片播放在线免费| 另类亚洲欧美激情| 日韩三级伦理在线观看| 国产乱人偷精品视频| av福利片在线| 婷婷成人精品国产| 边亲边吃奶的免费视频| 午夜福利影视在线免费观看| 成年人免费黄色播放视频| 成人漫画全彩无遮挡| 午夜福利一区二区在线看| 各种免费的搞黄视频| 自线自在国产av| 中文字幕人妻熟女乱码| 久久久久久免费高清国产稀缺| 最新的欧美精品一区二区| 人妻少妇偷人精品九色| 亚洲av日韩在线播放| 欧美日韩国产mv在线观看视频| 美女高潮到喷水免费观看| 在线观看美女被高潮喷水网站| 亚洲人成网站在线观看播放| 中文精品一卡2卡3卡4更新| 伊人久久国产一区二区| 免费观看a级毛片全部| 狂野欧美激情性bbbbbb| 男的添女的下面高潮视频| 我要看黄色一级片免费的| 亚洲成色77777| 91在线精品国自产拍蜜月| 深夜精品福利| 亚洲国产精品一区三区| 18+在线观看网站| 午夜久久久在线观看| 国产淫语在线视频| 国产成人精品婷婷| 久久久久久久亚洲中文字幕| 桃花免费在线播放| 国产日韩欧美亚洲二区| 亚洲美女视频黄频| 欧美成人精品欧美一级黄| 亚洲精品,欧美精品| 少妇熟女欧美另类| 中文天堂在线官网| 亚洲一区中文字幕在线| 亚洲第一区二区三区不卡| 人妻人人澡人人爽人人| 亚洲成人av在线免费| 嫩草影院入口| 国产免费现黄频在线看| 91精品国产国语对白视频| 看免费成人av毛片| 最近中文字幕高清免费大全6| 亚洲国产精品999| 国产高清国产精品国产三级| 精品人妻在线不人妻| 亚洲av日韩在线播放| 亚洲综合色网址| 久久久国产欧美日韩av| 成人国产av品久久久| av卡一久久| 美女高潮到喷水免费观看| 国精品久久久久久国模美| 日韩,欧美,国产一区二区三区| 日韩成人av中文字幕在线观看| 深夜精品福利| 欧美日韩视频高清一区二区三区二| 亚洲第一青青草原| 制服人妻中文乱码| 国产伦理片在线播放av一区| 中文字幕最新亚洲高清| 亚洲视频免费观看视频| 在线观看国产h片| 熟女av电影| 久久人人爽av亚洲精品天堂| kizo精华| 成人18禁高潮啪啪吃奶动态图| 宅男免费午夜| 人人澡人人妻人| 久久久久精品人妻al黑| 黄色毛片三级朝国网站| 久久久国产精品麻豆| 国产1区2区3区精品| 国产免费现黄频在线看| 王馨瑶露胸无遮挡在线观看| 精品国产一区二区三区久久久樱花| 一级毛片我不卡| 午夜福利在线观看免费完整高清在| 热99国产精品久久久久久7| 国产成人精品久久二区二区91 | 国产在视频线精品| 永久网站在线| 国产 精品1| 国产黄色免费在线视频| 啦啦啦啦在线视频资源| 免费观看a级毛片全部| 999久久久国产精品视频| 搡女人真爽免费视频火全软件| 女人高潮潮喷娇喘18禁视频| 国产成人免费观看mmmm| 在线观看一区二区三区激情| 2018国产大陆天天弄谢| 午夜福利一区二区在线看| 久久久久人妻精品一区果冻| 国产伦理片在线播放av一区| 午夜免费鲁丝| www.av在线官网国产| 色播在线永久视频| 国产av码专区亚洲av| 欧美国产精品va在线观看不卡| 美女大奶头黄色视频| 亚洲欧美精品综合一区二区三区 | av卡一久久| 国产av码专区亚洲av| 成年人午夜在线观看视频| 亚洲精品视频女| 久久久精品区二区三区| 中文字幕人妻熟女乱码| 女人高潮潮喷娇喘18禁视频| 亚洲国产欧美在线一区| 在线观看免费视频网站a站| 久久影院123| 欧美日本中文国产一区发布| 嫩草影院入口| 亚洲第一区二区三区不卡| 黄色视频在线播放观看不卡| 丝袜人妻中文字幕| 晚上一个人看的免费电影| 精品一区二区免费观看| 亚洲欧美色中文字幕在线| 久久久精品94久久精品| 久久av网站| 啦啦啦视频在线资源免费观看| 国产精品av久久久久免费| 成年人午夜在线观看视频| 亚洲精品久久久久久婷婷小说| 国产精品蜜桃在线观看| 精品国产一区二区久久| 国产日韩欧美在线精品| 激情五月婷婷亚洲| 日本黄色日本黄色录像| 丰满少妇做爰视频| av网站免费在线观看视频| 精品国产超薄肉色丝袜足j| 亚洲国产av新网站| 精品国产一区二区三区四区第35| 男女高潮啪啪啪动态图| 老汉色av国产亚洲站长工具| 日韩欧美精品免费久久| 亚洲精品aⅴ在线观看| 三级国产精品片| 搡女人真爽免费视频火全软件| 亚洲第一av免费看| 久久久精品94久久精品| 十八禁网站网址无遮挡| 日韩欧美精品免费久久| 伊人亚洲综合成人网| 国产精品久久久久久精品古装| 日韩不卡一区二区三区视频在线| 国产一区有黄有色的免费视频| 亚洲精品国产色婷婷电影| 欧美激情极品国产一区二区三区| 最近手机中文字幕大全| 亚洲一区二区三区欧美精品| 国产成人aa在线观看| 国产 一区精品| 丁香六月天网| 国产精品三级大全| 老汉色av国产亚洲站长工具| 亚洲精品国产av成人精品| 午夜日本视频在线| 狠狠精品人妻久久久久久综合| 精品午夜福利在线看| 久久av网站| 99九九在线精品视频| a级毛片在线看网站| 国产成人欧美| 中文字幕色久视频| 日韩在线高清观看一区二区三区| 高清不卡的av网站| 亚洲国产精品一区二区三区在线| 日韩中文字幕欧美一区二区 | videosex国产| 丝袜脚勾引网站| 中文字幕人妻熟女乱码| 日本欧美视频一区| 国产成人av激情在线播放| 国产av码专区亚洲av| 99热全是精品| 亚洲国产av影院在线观看| 精品人妻在线不人妻| 亚洲,一卡二卡三卡| 国产福利在线免费观看视频| 国产一级毛片在线| av又黄又爽大尺度在线免费看| 欧美+日韩+精品|